FORMULARIO DE DISTRIBUCIONES DE PROBABILIDAD
|
|
- Ramona Montoya Nieto
- hace 6 años
- Vistas:
Transcripción
1 FORMULARIO DE DISTRIBUCIONES DE PROBABILIDAD Jorge M. Galbiati pág. DISTRIBUCION BINOMIAL 2 DISTRIBUCION POISSON 4 DISTRIBUCION HIPERGEOMETRICA 5 DISTRIBUCION GEOMETRICA 7 DISTRIBUCION NORMAL 8 DISTRIBUCION JI-CUADRADO DISTRIBUCION T DE STUDENT 3 DISTRIBUCION F DE SNEDECOR 5 DISTRIBUCION UNIFORME 7 DISTRIBUCION EXPONENCIAL 8 DISTRIBUCION GAMA 20 DISTRIBUCION BETA 23 TRANSFORMACION DE VARIABLES ALEATORIAS CONTINUAS 25
2 DISTRIBUCION BINOMIAL Función de probabilidad: p(x) = n! x!(n x)! px ( p) n x si x =0,, 2,..., n Espacio paramétrico: n {, 2, 3,...} p (0, ) Valor esperado: np Varianza: np( p) Función generadora de momentos: ( p + pe t ) n p(y) 0 x n y APROXIMACION NORMAL DE LA BINOMIAL Si una variable aleatoria X tiene distribución binomial con parámetros n y p, entonces si n es grande y si p no es ni muy cercano a cero ni muy cercano a, la variable aleatoria Z = X np (np( p)) tiene distribución aproximada normal es tandar. En la práctica, si n es grande y p no es ni muy pequeño ni muy grande, si se requiere la probabilidad acumulada F (x) conf distribución binomial, se puede obtener su valor aproximado buscando en la tabla normal ( x 0,5 np ) F N (np( p) en que F N es la distribución normal estándar. Se puede utilizar, como criterio, las condiciones simultáneas n>30, np > 5 y n( p) > 5. 2
3 APROXIMACION POISSON DE LA BINOMIAL. Si una variable aleatoria X tiene distribución binomial con parámetros n y p, entonces si n es grande, y p muy cercano a cero, la variable aleatoria X tiene distribución aproximada poisson con parámetro λ = np. En la práctica, si n es grande y p cercano a cero, si se requiere la probabilidad acumulada F (x) conf distribución binomial, se puede obtener su valor aproximado buscando en la tabla poisson F P (x) = x e λ (λ) y y=0 y! en que F P es la distribución poisson con parámetro λ = np. Se puede utilizar, como criterio, las condiciones simultáneas n > 30 y np 5. 3
4 DISTRIBUCION POISSON Función de probabilidad: p(x) = e λ λ x x! si x =0,, 2,... Espacio paramétrico: λ (0, + ) Valor esperado: λ Varianza: λ Función generadora de momentos: e [λ(et )] p(y) 0 x y APROXIMACION NORMAL DE LA POISSON. Si una variable aleatoria X tiene distribución Poisson con parámetro λ, entonces si λ es grande, la variable aleatoria Z = X λ λ tiene distribución aproximada normal estándar. En la práctica, si λ es grande, si se requiere la probabilidad acumulada F (x) conf distribución Poisson, se puede obtener su valor aproximado buscando en la tabla normal ( x λ ) F N (λ en que F N es la distribución normal estándar. Se puede utilizar, como criterio, la condición λ>36. 4
5 DISTRIBUCION HIPERGEOMETRICA Función de probabilidad: p(x) = k! (N k)! n!(n k)! (n x)!(n k n+x)! N! n!(n n)! si x = a, a +,a+2,..., b en que a = max(0; n + k N) yb = min(k, n). x es el número de éxitos en la muestra. Espacio paramétrico: N,k y n enteros positivos, tales que k < N, n < Ny n<n k. N es el tamaño de la población. k es el número de éxitos en la población. n es el tamaño de la muestra. Valor esperado: Varianza: nk N nk ( k )( ) N n N N N Función generadora de momentos: (N n)!(n k)! H( n; k; N k n +;e t ) N! donde H(p, q, r, z) =+ pq r z + p(p+)q(q+)! r(r+) z 2 + p(p+)(p+2)q(q+)(q+2) z 3 2! r(r+)(r+2) 3! (función hipergeométrica) p(y) a x b y 5
6 APROXIMACION BINOMIAL DE LA HIPERGEOMETRICA Si una variable aleatoria X tiene distribución hipergeométrica con parámetros k N, k y n, entonces si N es grande y si no es ni muy cercano a cero ni muy N cercano a, X tiene distribución aproximada binomial con parámetros n y p = k. N 6
7 DISTRIBUCION GEOMETRICA Función de probabilidad: p(x) = p( p) x si x =, 2, 3,...b x es el número de intentos hasta lograr el primer éxito. Espacio paramétrico: Valor esperado: p p (0, ), probabilidad de éxito en un intento. Varianza: p p 2 Función generadora de momentos: e t p si t< log( p) ( p)e t p(y) a x b y 7
8 DISTRIBUCION NORMAL Función de probabilidad: [ p(x) = exp (2π) σ (x ] µ)2 2σ 2 para x (, + ) Espacio paramétrico: media µ (, + ) varianza σ 2 (0, + ) Valor esperado: µ Varianza: σ 2 Función generadora de momentos: e (µt+σ2 t 2 /2) f(y) 0 x y DISTRIBUCION NORMAL ESTANDAR Es un caso especial de la normal, en que µ =0yσ 2 =. Función de densidad: [ ] f(x) = exp x2 (2π) 2 para x (, + ) Valor esperado: 0 Varianza: Función generadora de momentos: e t2 /2 8
9 RELACION CON LA NORMAL ESTANDAR Los valores de la función de distribución de la normal con parámetros µ y σ 2 se obtienen de la tabla de distribución normal estándar (en que µ =0yσ 2 =) como se muestra a continuación. Por esa razón sólo se entrega la tabla de la normal estándar. Si se requiere la probabilidad acumulada hasta la cuantila x, se efectúa la transformación z = x µ y se busca la probabilidad asociada a la cuantila z en la tabla de σ distribución normal estándar. Al revés, si se quiere saber a qué cuantila corresponde una probabilidad acumulada dada, F (z), se busca la cuantila z asociada a F (z) en la tabla de distribución normal estándar. Entonces la correspondiente cuantila de la normal con parámetros µ y σ 2 es x = σz + µ. 9
10 FUNCIONES LINEALES DE NORMALES.- Si X es una variable aleatoria normal con valor esperado µ yvarianzaσ 2,sia y b son constantes, entonces la variable aleatoria a + bx tiene distribución normal, con valor esperado a + bµ yvarianzab 2 σ 2. Como caso particular, la variable aleatoria estandarizada Z = X µ tiene distribución normal estándar. σ 2.- Si X y X 2 son variables aleatorias normales (pág. 50), estadísticamente independientes, con valores esperados respectivos µ y µ 2, con varianzas respectivas σ 2 y σ2 2,ysia y b son dos números reales, entonces la variable aleatoria ax + bx 2 tiene distribución normal con valor esperado aµ + bµ 2 yvarianzaa 2 σ 2 + b 2 σ Si X, X 2,..., X n son n variables aleatorias normales con valor esperado µ, yvarianzaσ 2 entonces el promedio X= n n i= X i tiene distribución normal con valor esperado µ yvarianzaσ 2 /n. TEOREMA DEL LIMITE CENTRAL Si X,X 2,..., X n son n variables aleatorias estadísticamente independientes, con valor esperado µ yvarianzaσ 2 y cualquier distribución probabilística, continua o discreta, entonces si n es grande, la variable aleatoria Z= X µ σ/ tiene distribución n aproximada normal estándar 0
11 DISTRIBUCION JI CUADRADO Función de densidad: f(x) = 2 k/2 Γ(k/2) xk/2 e x/2 si x > 0 Espacio paramétrico: Grados de libertad k {, 2, 3,...} Valor esperado: k Varianza: 2k Función generadora de momentos: ( 2t) para t < /2 k/2 f(y) 0 x y APROXIMACION NORMAL DE LA JI-CUADRADO. Si una variable aleatoria X tiene distribución ji-cuadrado con k grados de libertad, entonces si k es grande la variable aleatoria Z = X k (2k) tiene distribución aproximada normal standard. En la práctica, si k es grande, si se requiere la probabilidad acumulada F (x) con F distribución ji-cuadrado, se puede obtener su valor aproximado buscando en la tabla normal ( x k ) F N (2k) en que F N es la distribución normal estándar. Se puede utilizar, como criterio, la condición k>200.
12 CONSTRUCCION DE UNA JI-CUADRADO A PARTIR DE NORMALES.- Si Z, Z 2,..., Z n son n variables aleatorias normales estándar estadísticamente independientes, entonces la variable aleatoria n i= Z2 i tiene distribución ji-cuadrado con n grados de libertad. 2.- Si X, X 2,..., X n son n variables aleatorias normales con valor esperado µ y varianza σ 2, independientes, entonces la variable aleatoria n (X i X) 2 i= tiene distribución ji-cuadrado con n grados de libertad. σ 2 Además esta expresión es estadísticamente independiente del promedio X. 2
13 DISTRIBUCION T DE STUDENT Función de densidad: ( ) k+ Γ 2 f(x) = Γ ( k/2 ) (kπ) ( + x2 k ) k+ 2 para x (, + ) Espacio paramétrico: Grados de libertad k {, 2, 3,...} Valor esperado: 0 para k > Varianza: k para k > 2 k 2 Función generadora de momentos: no existe f(y) 0 x y VALORES DE PROBABILIDAD MENORES QUE 0.5 Por la simetría de la distribución t de student, rige la igualdad F ( x) = F (x). Por esa razón, la tabla sólo tiene probabilidades mayores que 0.5, asociadas a cuantiles positivos. Si se requiere el cuantil asociado a una probabilidad acumulada P menor que 0.5, se ingresa a la tabla el valor de probabilidad acumulada P ; al correspondiente cuantil x obtenido de la tabla se le pone signo menos, quedando x como el cuartil requerido. 3
14 APROXIMACION NORMAL DE LA T DE STUDENT Si una variable aleatoria X tiene distribución t de student con k grados de libertad, entonces si k es grande la variable aleatoria X tiene distribución aproximada normal standard. En consecuencia, si k es grande, si se requiere la probabilidad acumulada F (x) con F distribución t de student, se puede obtener su valor aproximado buscando en la tabla normal el valor F N (x),enquef N es la distribución normal standard. Se puede utilizar, como criterio, la condición k>200. CONSTRUCCION DE UNA T DE STUDENT A PARTIR DE UNA NORMAL Y UNA JI-CUADRADO.- Si Z es una variable aleatoria normal estándar y V es una variable aleatoria ji-cuadrado con n grados de libertad, ambas estadísticamente independientes, Z entonces la variable aleatoria (X/n) tiene distribución t de student con n grados de libertad. 2.- Si X, X 2,..., X n son n variables aleatorias normales con valor esperado µ yvarianzaσ 2,estadísticamente independientes, entonces la variable aleatoria X µ s/ n tiene distribución t de student con n grados de libertad, en que X es el promedio y s 2 = n i= (X i X) 2 n es la varianza muestral. 4
15 DISTRIBUCION F DE SNEDECOR Función de densidad: ( ) n+d Γ 2 f(x) = ( ) ( ) Γ Γ n 2 d 2 ( n/d) n/2 x n/2 (+ nd x ) n+d 2 si x > 0 Espacio paramétrico: grados de libertad del numerador n y grados de libertad del denominador d ambos enteros positivos. Valor esperado: d para d > 2 d 2 Varianza: 2d 2 (n+d 2) n(d 2) 2 (d 4) para d > 4 Función generadora de momentos: no existe f(y) 0 x y INVERSION DE LA F DE SNEDECOR Se puede usar la siguiente relación para calcular valores que no aparecen en la tabla: Si la variable aleatoria X tiene distribución F con n grados de libertad del numerador y d grados de libertad del denominador, entonces /X tiene distribución F, cond grados de libertad del numerador y n grados de libertad del denominador. Por lo tanto se pueden obtener más valores de los que aparecen en la tabla, mediante en la relación F n,d (x) = F d,n ( )enquef es el valor de probabilidad acumulada x de la tabla, el primer subíndice corresponde a los grados de libertad del numerador, el segundo a los grados de libertad del denominador. 5
16 CONSTRUCCION DE UNA F DE SNEDECOR A PARTIR DE DOS JI-CUADRADO.- Si X es una variable aleatoria ji-cuadrado con n grados de libertad e Y es una variable aleatoria ji-cuadrado con d grados de libertad, estadísticamente independientes, entonces el cuociente X/n tiene distribución F de Snedecorcon n grados Y/d delibertadenelnumeradoryd grados de libertad en el denominador. 2.-También Y/d tiene distribución F de Snedecor con d grados de libertad en el X/n numerador y n grados de libertad en el denominador. 6
17 DISTRIBUCION UNIFORME Función de densidad: Espacio paramétrico: f(x) = b a si a < x b <a,b< a<b Valor esperado: a+b 2 Varianza: (b a) 2 2 Función generadora de momentos: e bt e at (b a)t f(y) b - a 0 a x b y VALORES DE LA DISTRIBUCION UNIFORME La función de distribución de la uniforme se puede calcular analíticamente mediante la fórmula { 0 si x a F (x) = si a < x b x a b a si x > b 7
18 DISTRIBUCION EXPONENCIAL Función de densidad: f(x) = λ e λx si x > 0 Espacio paramétrico: Tasamediadeocurrencia λ>0 Valor esperado: λ Varianza: λ 2 Función generadora de momentos: λ para t < λ λ t f(y) 0 x y VALORES DE LA DISTRIBUCION EXPONENCIAL La función de distribución de la exponencial se puede calcular analíticamente mediante la fórmula F (x) = e λx para x>0. 8
19 RELACION ENTRE UNA POISSON Y UNA EXPONENCIAL.- Si X es una variable aleatoria Poisson con parámetro λ, que describe el número de ocurrencias de un fenómeno por unidad de tiempo, entonces la variable aleatoria que describe el tiempo entre ocurrencias tiene distribución exponencial con parámetro λ. En tal caso el parámetro λ es la tasa media de ocurrencias por unidad de tiempo, y θ = /λ es el tiempo medio entre ocurrencias. 2.- En forma recíproca, si Y es una variable aleatoria exponencial con parámetro λ, que describe el tiempo entre ocurrencias de un fenómeno, entonces el número de veces que ocurre el fenómeno en una unidad de tiempo, es una variable aleatoria con distribución Poisson, con el mismo parámetro, que representa la tasa media de ocurrencias por unidad de tiempo. 9
20 DISTRIBUCION GAMA Función de densidad: Hay dos formas usuales de parametrizar esta distribución. Primera parametrización (Par. ): f(x) = λp Γ(p) xp e λx si x > 0 Segunda parametrización (Par. 2): f(x) = θ p Γ(p) xp e x θ si x > 0 Espacio paramétrico: Par. : Parametro de escala λ > 0 P arametro de forma p > 0 Par. 2: Parametro de escala θ > 0 P arametro de forma p > 0 Valor esperado: Par. : p λ Par. 2: pθ Varianza: Par. : p λ 2 Par. 2: pθ 2 Función generadora de momentos: Par. : ( λ λ t) p para t < λ Par. 2: ( θt) p para t < θ 20
21 f(y) 0 x y Casos particulares: ) Si p= (parámetro de forma) entonces la gama se convierte en una exponencial cuyo parámetro es igual al parámetro de escala de la gama, λ (Par. ) o equivalentemente θ (Par. 2). 2) Si p= k,enquek es cualquier número entero positivo, y si λ= (Par. ) o 2 2 equivalentemente θ=2 (Par. 2), entonces la gama se convierte en una ji-cuadrado cuyo parámetro grados de libertad es igual a k. La función de distribución gama no se puede calcular analíticamente, salvo en casos especiales. 2
22 RELACIONES ENTRE GAMAS Lo siguiente se expresa en términos de la primera parametrización, con el parámetro λ. Es equivalente para la segunda parametrización, con el parámetro θ. Sólo se debe sustituir λ por θ..- Si X, X 2,..., X n son n variables aleatorias gama estadísticamente independientes, conparámetros de forma respectivos p, p 2,..., p n,yconparámetro de escala común λ, entonces la variable aleatoria Y = n i= X i tiene distribución gama con parámetro de forma p = n i= p i yparámetro de escala λ. 2.- Si X y X 2 son variables aleatorias gama estadísticamente independientes, con parámetros de forma respectivos p y p 2 yparámetro de escala común λ entonces las variables aleatorias U=X + X 2 y V = X X +X 2 son independientes, U tiene distribución gama con parámetro de forma p + p 2 ydeescalaλ,yv tiene distribución beta (pág. 04) con parámetros r = p y s = p Caso especial de. Si X,X 2,..., X n son n variables aleatorias exponenciales estadísticamente independientes, conparámetro común λ, entonces la variable aleatoria Y = n i= X i tiene distribución gama con parámetro de forma p = n y parámetro de escala λ. A esta forma especial de gama, conparámetro de forma entero, se le suele dar el nombre de distribución erlang. 4.- Caso especial de. Si X, X 2,..., X n son n variables aleatorias ji-cuadrado estadísticamente independientes, con parámetros respectivos (grados de libertad) k,k 2,..., k n, entonces la variable aleatoria Y = n i= X i tiene distribución jicuadrado con k = n i= k i grados de libertad. 22
23 DISTRIBUCION BETA Función de densidad: Γ(r + s) f(x) = Γ(r) Γ(s) xr ( x) s si 0 <x< Espacio paramétrico: r>0,s>0 Valor esperado: r r+s Varianza: rs (r+s) 2 (r+s+) Momentos: La función generadora de momentos no tiene una forma analítica. Sin embargo, el momento m-ésimo puede obtenerse directamente, mediante la fórmula (r+s+)! (r+m)! µ m = para m=, 2,.. (r+s+m+)! r! f(y) f(y) 0 x y 0 x y En la figura de la izquierda, r<s, mientras que en la figura de la derecha, r>s. Si r y s son iguales, la densidad es simétrica. 23
24 La función de distribución beta no se puede calcular analíticamente, salvo en casos especiales. Caso particular: Si r= y s= entonces la beta se convierte en una uniforme con parámetros a=0 y b=. 24
25 TRANSFORMACION DE VARIABLES ALEATORIAS CONTINUAS.- Si X es una variable aleatoria continua con función de densidad f X (x) yg() es una función creciente, entonces la nueva variable aleatoria Y = g(x) tiene función de densidad dada por la fórmula f Y (y) = g [g (y)] f X[g (y)] en que denota el valor absoluto, g es la derivada y g es la inversa de la función g. 2.- Caso especial de. Si la función g(x) delpárrafo es una función lineal g(x) =a + bx, enquea y b son constantes, b 0, entonces la variable aleatoria Y = g(x) tiene densidad f Y (y) = f ( y a b X )) b 25
Algunas Distribuciones Continuas de Probabilidad. UCR ECCI CI-1352 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides
Algunas Distribuciones Continuas de Probabilidad UCR ECCI CI-1352 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides Introducción El comportamiento de una variable aleatoria queda
Más detallesProbabilidad II Algunas distribuciones notables. Antonio Cuevas Departamento de Matemáticas Universidad Autónoma de Madrid
Probabilidad II Algunas distribuciones notables Antonio Cuevas Departamento de Matemáticas Universidad Autónoma de Madrid La distribución normal f (x; µ, σ) = 1 σ 2π e 1 2( x µ σ ) 2, x R, µ R, σ > 0 E(X
Más detallesModelado de la aleatoriedad: Distribuciones
Modelado de la aleatoriedad: Distribuciones Begoña Vitoriano Villanueva Bvitoriano@mat.ucm.es Facultad de CC. Matemáticas Universidad Complutense de Madrid I. Distribuciones Discretas Bernoulli (p) Aplicaciones:
Más detallesUnidad IV: Distribuciones muestrales
Unidad IV: Distribuciones muestrales 4.1 Función de probabilidad En teoría de la probabilidad, una función de probabilidad (también denominada función de masa de probabilidad) es una función que asocia
Más detallesUnidad Temática 3 UT3-1: Variable Aleatoria
Autoevaluación UT3 Unidad Temática 3 UT3-1: Variable Aleatoria Responda verdadero o falso. Coloque una letra V a la izquierda del número del ítem si acepta la afirmación enunciada, o una F si la rechaza.
Más detallesTema 4: Probabilidad y Teoría de Muestras
Tema 4: Probabilidad y Teoría de Muestras Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 4: Probabilidad y Teoría de Muestras Curso 2008-2009
Más detalles2 Introducción a la inferencia estadística Introducción Teoría de conteo Variaciones con repetición...
Contenidos 1 Introducción al paquete estadístico S-PLUS 19 1.1 Introducción a S-PLUS............................ 21 1.1.1 Cómo entrar, salir y consultar la ayuda en S-PLUS........ 21 1.2 Conjuntos de datos..............................
Más detallesF (x, y) = no es la función de distribución acumulada de ningún vector aleatorio. b) Mostrar que. { (1 e x )(1 e y ) si x 0, y 0
Probabilidades y Estadística (M) Práctica 5 1 o cuatrimestre 2014 Vectores aleatorios 1. a) Demostrar que la función F (x, y) = 1 e x y si x 0, y 0 0 en caso contrario no es la función de distribución
Más detallesDistribuciones de probabilidad más usuales
Tema 5 Distribuciones de probabilidad más usuales En este tema se estudiarán algunas de las distribuciones discretas y continuas más comunes, que se pueden aplicar a una gran diversidad de problemas y
Más detallesDistribuciones de probabilidad con R Commander
Distribuciones de probabilidad con R Commander En el menú Distribuciones podemos seleccionar Distribuciones discretas Distribuciones continuas Las distribuciones discretas que aparecen en R Commander son
Más detallesGrupo 23 Semestre Segundo examen parcial
Probabilidad Grupo 23 Semestre 2015-2 Segundo examen parcial La tabla siguiente presenta 20 postulados, algunos de los cuales son verdaderos y otros son falsos. Analiza detenidamente cada postulado y elige
Más detallesEstadística y sus aplicaciones en Ciencias Sociales 2. Modelos de probabilidad
Estadística y sus aplicaciones en Ciencias Sociales 2. Modelos de probabilidad Facultad de Ciencias Sociales Universidad de la República Curso 2016 Índice 2.1. Variables aleatorias: funciones de distribución,
Más detallesGráficas de funciones de masa de probabilidad y de función de densidad de probabilidad de Distribuciones especiales. x n
Gráficas de funciones de masa de probabilidad y de función de densidad de probabilidad de Distribuciones especiales 1. Función de distribución binomial: Si X distribuye bin ( n, p), entonces f n x x n
Más detallesFormulario y Tablas de Probabilidad para los Cursos de Probabilidad, Inferencia Estadística y Econometría
Formulario y Tablas de Probabilidad para los Cursos de Probabilidad, Inferencia Estadística y Econometría Ernesto Barrios Zamudio 1 José Ángel García Pérez2 Departamento Académico de Estadística Instituto
Más detalles478 Índice alfabético
Índice alfabético Símbolos A, suceso contrario de A, 187 A B, diferencia de los sucesos A y B, 188 A/B, suceso A condicionado por el suceso B, 194 A B, intersección de los sucesos A y B, 188 A B, unión
Más detallesDistribuciones de probabilidad bidimensionales o conjuntas
Distribuciones de probabilidad bidimensionales o conjuntas Si disponemos de dos variables aleatorias podemos definir distribuciones bidimensionales de forma semejante al caso unidimensional. Para el caso
Más detallesVariables aleatorias
Variables aleatorias DEFINICIÓN En temas anteriores, se han estudiado las variables estadísticas, que representaban el conjunto de resultados observados al realizar un experimento aleatorio, presentando
Más detallesDefinición 4.1 Diremos que una variable aleatoria discreta X tiene una distribución Uniforme de parámetro N, N 1, si. rg(x) = {1, 2,...
Índice 4 MODELOS DE DISTRIBUCIONES 4.1 4.1 Introducción.......................................... 4.1 4.2 Modelos de distribuciones discretas............................. 4.1 4.2.1 Distribución Uniforme
Más detallesDISTRIBUCIONES DE PROBABILIDAD (RESUMEN)
DISTRIBUCIONES DE PROBABILIDAD (RESUMEN) VARIABLE ALEATORIA: un experimento produce observaciones numéricas que varían de muestra a muestra. Una VARIABLE ALEATORIA se define como una función con valores
Más detallesVARIABLES ALEATORIAS DISCRETAS
VARIABLES ALEATORIAS DISCRETAS M. en C. Juan Carlos Gutiérrez Matus Instituto Politécnico Nacional Primavera 2004 IPN UPIICSA c 2004 Juan C. Gutiérrez Matus Variables Aleatorias Variables Aleatorias Definición:
Más detallesVariable Aleatoria Continua. Principales Distribuciones
Variable Aleatoria Continua. Definición de v. a. continua Función de Densidad Función de Distribución Características de las v.a. continuas continuas Ejercicios Definición de v. a. continua Las variables
Más detallesTema 4: Probabilidad y Teoría de Muestras
Tema 4: Probabilidad y Teoría de Muestras Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 4: Probabilidad y Teoría de Muestras Curso 2008-2009
Más detallesPROBABILIDAD Y ESTADÍSTICA
PROBABILIDAD Y ESTADÍSTICA 4 horas a la semana 8 créditos Semestre variable según la carrera Objetivo del curso: Analizar y resolver problemas de naturaleza aleatoria en la ingeniería, aplicando conceptos
Más detallesDefinición de probabilidad
Tema 5: LA DISTRIBUCIÓN NORMAL 1. INTRODUCCIÓN A LA PROBABILIDAD: Definición de probabilidad Repaso de propiedades de conjuntos (Leyes de Morgan) Probabilidad condicionada Teorema de la probabilidad total
Más detallesPropiedades en una muestra aleatoria
Capítulo 5 Propiedades en una muestra aleatoria 5.1. Conceptos básicos sobre muestras aleatorias Definición 5.1.1 X 1,, X n son llamadas una muestra aleatoria de tamaño n de una población f(x) si son variables
Más detallesDistribuciones de probabilidad
Distribuciones de probabilidad Prof, Dr. Jose Jacobo Zubcoff Departamento de Ciencias del Mar y Biología Aplicada Inferencia estadística: Parte de la estadística que estudia grandes colectivos a partir
Más detallesUnidad 1: Espacio de Probabilidad
Unidad 1: Espacio de Probabilidad 1.1 Espacios de Probabilidad. (1) Breve introducción histórica de las probabilidades (2) Diferencial entre modelos matemáticos deterministicos y probabilísticos (3) Identificar
Más detallesCÁLCULO DE PROBABILIDADES
CÁLCULO DE PROBABILIDADES Tipo de asignatura: Troncal Anual. Créditos ECTS: 15 I.- INTRODUCCIÓN AL CÁLCULO DE PROBABILIDADES. (16 horas presenciales) Tema 1.- La naturaleza del cálculo de probabilidades.
Más detallesIndicaciones para el lector... xv Prólogo... xvii
ÍNDICE Indicaciones para el lector... xv Prólogo... xvii 1. INTRODUCCIÓN Qué es la estadística?... 3 Por qué estudiar estadística?... 5 Empleo de modelos en estadística... 6 Perspectiva hacia el futuro...
Más detallesTema 3: Cálculo de Probabilidades Unidad 4: Algunas Distribuciones Notables de Variables Aleatorias
Estadística Tema 3: Cálculo de Probabilidades Unidad 4: Algunas Distribuciones Notables de Variables Aleatorias Área de Estadística e Investigación Operativa Licesio J. Rodríguez-Aragón Noviembre 2010
Más detallesANALISIS DE FRECUENCIA EN HIDROLOGIA JULIAN DAVID ROJO HERNANDEZ
ANALISIS DE FRECUENCIA EN HIDROLOGIA JULIAN DAVID ROJO HERNANDEZ Probabilidad - Período de retorno y riesgo La probabilidad de ocurrencia de un fenómeno en hidrología puede citarse de varias Formas: El
Más detallesLECTURA 01: LA DISTRIBUCIÓN NORMAL GENERAL. LA DISTRIBUCIÓN NORMAL ESTÁNDAR (PARTE I). TEMA 1: LA DISTRIBUCION NORMAL GENERAL.
LECTURA 1: LA DISTRIBUCIÓN NORMAL GENERAL LA DISTRIBUCIÓN NORMAL ESTÁNDAR (PARTE I) TEMA 1: LA DISTRIBUCION NORMAL GENERAL PROPIEDADES 1 INTRODUCCION La distribución de probabilidad continua más importante
Más detallesUnidad IV. Una variable aleatoria X es continua si su función de distribución es una función continua.
Unidad IV Distribuciones de Probabilidad Continuas 4.1. Definición de variable aleatoria continúa. Una variable aleatoria X es continua si su función de distribución es una función continua. En la práctica,
Más detallesTema 5 Algunas distribuciones importantes
Algunas distribuciones importantes 1 Modelo Bernoulli Distribución Bernoulli Se llama experimento de Bernoulli a un experimento con las siguientes características: 1. Se realiza un experimento con dos
Más detallesAnálisis de datos Categóricos
Introducción a los Modelos Lineales Generalizados Universidad Nacional Agraria La Molina 2016-1 Introducción Modelos Lineales Generalizados Introducción Componentes Estimación En los capítulos anteriores
Más detallesGeneración de Variables Aleatorias. UCR ECCI CI-1453 Investigación de Operaciones Prof. M.Sc. Kryscia Daviana Ramírez Benavides
Generación de Variables Aleatorias UCR ECCI CI-453 Investigación de Operaciones Prof. M.Sc. Kryscia Daviana Ramírez Benavides Introducción Las variables aleatorias se representan por medio de distribuciones
Más detallesVariables aleatorias múltiples
Chapter 4 Variables aleatorias múltiples 4.. Distribución conjunta y marginal Definición 4.. Un vector aleatorio n-dimensional es una función que va de un espacio muestral S a un espacio euclediano n-dimensional
Más detallesFundamentos matemáticos. Tema 8 Ecuaciones diferenciales
Grado en Ingeniería agrícola y del medio rural Tema 8 José Barrios García Departamento de Análisis Matemático Universidad de La Laguna jbarrios@ull.es 2016 Licencia Creative Commons 4.0 Internacional J.
Más detallesAsignaturas antecedentes y subsecuentes
PROGRAMA DE ESTUDIOS PROBABILIDAD Área a la que pertenece: Área Sustantiva Profesional Horas teóricas: 3 Horas prácticas: 2 Créditos: 8 Clave: F0056 Asignaturas antecedentes y subsecuentes PRESENTACIÓN
Más detallesDistribución binomial
Distribución binomial Cuando la Distribución de Benoulli se preguntaba Que pasara si sucede un único evento? la binomial esta asociada a la pregunta " Cuantas veces hay que realizar la prueba para que
Más detallesEXPERIMENTO ALEATORIO
EXPERIMENTO ALEATORIO En concepto de la probabilidad, un experimento aleatorio es aquel que bajo el mismo conjunto aparente de condiciones iniciales, puede presentar resultados diferentes, en otras palabras,
Más detallesTEMA II: DISTRIBUCIONES RELACIONADAS CON LA NORMAL
ESTADÍSTICA II TEMA II: DISTRIBUCIONES RELACIONADAS CON LA NORMAL II.1.- Distribución chi-cuadrado. II.1.1.- Definición. II.1..- Función de densidad. Representación gráfica. II.1.3.- Media y varianza.
Más detallesCapítulo 6: Variable Aleatoria Bidimensional
Capítulo 6: Variable Aleatoria Bidimensional Cuando introducíamos el concepto de variable aleatoria unidimensional, decíamos que se pretendía modelizar los resultados de un experimento aleatorio en el
Más detalles5 DISTRIBUCIONES BINOMIAL Y DE POISSON
5 DISTRIBUCIONES BINOMIAL Y DE POISSON La repetición sucesiva de n pruebas (ensayos) de BERNOUILLI de modo independiente y manteniendo constante la probabilidad de éxito p da lugar a la variable aleatoria
Más detalles4. NÚMEROS PSEUDOALEATORIOS.
4. NÚMEROS PSEUDOALEATORIOS. En los experimentos de simulación es necesario generar valores para las variables aleatorias representadas estas por medio de distribuciones de probabilidad. Para poder generar
Más detallesDISTRIBUCIÓN DE POISSON
DISTRIBUCIÓN DE POISSON P O I S S O N Siméon Denis Poisson, (1781-1840), astronauta francés, alumno de Laplace y Lagrange, en Recherchés sur la probabilité des jugements..., un trabajo importante en probabilidad
Más detallesDescriptiva y Probabilidad
Estadística Descriptiva y Probabilidad (Teoría y problemas) 3 a Edición Autores I. Espejo Miranda F. Fernández Palacín M. A. López Sánchez M. Muñoz Márquez A. M. Rodríguez Chía A. Sánchez Navas C. Valero
Más detallesObjetivo: Entender la diferencia entre una desviación y una distribución. Reconocer los tipos de desviaciones y distribuciones.
PROBABILIDAD Y ESTADÍSTICA Sesión 2 2 MODELOS ANALÍTICOS DE FENÓMENOS ALEATORIOS DISCRETOS 2.1 Definición de variable aleatoria discreta 2.2Función de probabilidad y de distribución 2.3 Valor esperado
Más detallesT1. Distribuciones de probabilidad discretas
Estadística T1. Distribuciones de probabilidad discretas Departamento de Ciencias del Mar y Biología Aplicada Inferencia estadística: Parte de la estadística que estudia grandes colectivos a partir de
Más detallesVariables Aleatorias. Introducción
Variables Aleatorias Introducción Concepto de variable aleatoria Es conveniente que los resultados de un experimento aleatorio estén expresados numéricamente. Se prueban tres componentes electrónicos,
Más detallesRige a partir de la convocatoria
TABLA DE ESPECIFICACIONES DE HABILIDADES Y CONOCIMIENTOS QUE SE MEDIRÁN EN LAS PRUEBAS DE CERTIFICACIÓN DEL PROGRAMA: BACHILLERATO DE EDUCACIÓN DIVERSIFICADA A DISTANCIA (PRUEBAS EDAD 1 Y EDAD 2) Este
Más detallesSimulación I. Investigación Operativa, Grado en Estadística y Empresa, 2011/12
Simulación I Prof. José Niño Mora Investigación Operativa, Grado en Estadística y Empresa, 2011/12 Esquema Modelos de simulación y el método de Montecarlo Ejemplo: estimación de un área Ejemplo: estimación
Más detallesProbabilidad y Estadística
Probabilidad y Estadística Grado en Ingeniería Informática Tema 3 Variables aleatorias Javier Cárcamo Departamento de Matemáticas Universidad Autónoma de Madrid javier.carcamo@uam.es Javier Cárcamo PREST.
Más detalles5 Variables aleatorias contínuas
5 Variables aleatorias contínuas Una variable aleatoria continua puede tomar cualquier valor en un intervalo de números reales.. Función de densidad. La función de densidad de una variable aleatoria continua
Más detallesPrograma Analítico Plan de estudios Asignatura: Probabilidad y Estadística
Programa Analítico Plan de estudios 2011 Asignatura: Probabilidad y Estadística CARRERA: LICENCIATURA LIC. CIENCIAS EN DE CIENCIAS LA COMPUTACIÓN-LIC. DE LA COMPUTACIÓN EN SISTEMAS DE INFORMACIÓN AÑO:
Más detallesVariables aleatorias unidimensionales
Estadística II Universidad de Salamanca Curso 2011/2012 Outline Variable aleatoria 1 Variable aleatoria 2 3 4 Variable aleatoria Definición Las variables aleatorias son funciones cuyos valores dependen
Más detallesContenido. 2 Probabilidad 9. Prefacio. 1 Introducci6n a la estadfstica y al an;!llisis de datos
Contenido Prefacio ix 1 Introducci6n a la estadfstica y al an;!llisis de datos 1 1.1 1.2 1.3 1.4 1.5 1.6 Repaso 1 EI papel de la probabilidad 2 Medidas de posici6n: media de una muestra 4 Medidas de variabilidad
Más detallesGeneración de variables aleatorias continuas Método de la transformada inversa
Generación de variables aleatorias continuas Método de la transformada inversa Georgina Flesia FaMAF 16 de abril, 2013 Generación de v.a. discretas Existen diversos métodos para generar v.a. discretas:
Más detallesMétodos Estadísticos de la Ingeniería Tema 7: Momentos de Variables Aleatorias Grupo B
Métodos Estadísticos de la Ingeniería Tema 7: Momentos de Variables Aleatorias Grupo B Área de Estadística e Investigación Operativa Licesio J. Rodríguez-Aragón Marzo 2010 Contenidos...............................................................
Más detallesVariables aleatorias
Distribuciones continuas Se dice que una variable aleatoria X tiene una distribución continua, o que X es una variable continua, si existe una función no negativa f, definida sobre los números reales,
Más detallesMétodos generales de generación de variables aleatorias
Tema Métodos generales de generación de variables aleatorias.1. Generación de variables discretas A lo largo de esta sección, consideraremos una variable aleatoria X cuya función puntual es probabilidad
Más detallesCBC. Matemática (51) universoexacto.com 1
CBC Matemática (51) universoexacto.com 1 PROGRAMA ANALÍTICO 1 :: UNIDAD 1 Números Reales y Coordenadas Cartesianas Representación de los números reales en una recta. Intervalos de Distancia en la recta
Más detallesTítulo: ESTADISTICA I DESDE UN ENFOQUE POR COMPETENCIAS Primera edición. de esta edición. Fondo Editorial. Universidad San Ignacio de Loyola
Título: ESTADISTICA I DESDE UN ENFOQUE POR COMPETENCIAS 2014. Primera edición de esta edición Fondo Editorial Universidad San Ignacio de Loyola Av. La Fontana 750, La Molina Teléfono: 317-1000 anexo 3705
Más detallesTema 5. Variables Aleatorias
Tema 5. Variables Aleatorias Presentación y Objetivos. En este tema se estudia el concepto básico de Variable Aleatoria así como diversas funciones fundamentales en su desarrollo. Es un concepto clave,
Más detallesPRÁCTICAS DE ESTADÍSTICA CON R
PRÁCTICAS DE ESTADÍSTICA CON R PRÁCTICA 3: DISTRIBUCIONES DE PROBABILIDAD DISCRETAS Y CONTINUAS 3.1 Distribuciones discretas Las principales ideas que vamos a ir desarrollando a lo largo de la primera
Más detallesMaestría en Bioinformática Probabilidad y Estadística: Clase 3
Maestría en Bioinformática Probabilidad y Estadística: Clase 3 Gustavo Guerberoff gguerber@fing.edu.uy Facultad de Ingeniería Universidad de la República Abril de 2010 Contenidos 1 Variables aleatorias
Más detallesCurso de nivelación Estadística y Matemática
Curso de nivelación Estadística y Matemática Tercera clase: Introducción al concepto de probabilidad y Distribuciones de probablidad discretas Programa Técnico en Riesgo, 2014 Agenda 1 Concepto de probabilidad
Más detallesCONTENIDOS MÍNIMOS SEPTIEMBRE. DEPARTAMENTO DE MATEMÁTICAS
CONTENIDOS MÍNIMOS SEPTIEMBRE. DEPARTAMENTO DE MATEMÁTICAS CONTENIDOS MÍNIMOS MATEMÁTICAS 1º ESO U.D. 1 Números Naturales El conjunto de los números naturales. Sistema de numeración decimal. Aproximaciones
Más detallesProbabilidades. 11 de noviembre de 2013. Felipe Bravo Márquez
Felipe José Bravo Márquez 11 de noviembre de 2013 Motivación Las probabilidades son el lenguaje de la incertidumbre que a la vez es la base de la inferencia estadística. El problema estudiado en probabilidades
Más detallesSistemas de ayuda a la decisión Modelización de la incertidumbre Tema 2. Incertidumbre y Probabilidad
Sistemas de ayuda a la decisión Modelización de la incertidumbre Tema 2. Incertidumbre y Probabilidad Indice 1) Sucesos aleatorios. Espacio muestral. 2) Operaciones con sucesos. 3) Enfoques de la Probabilidad.
Más detallesTécnicas de validación estadística Bondad de ajuste
Técnicas de validación estadística Bondad de ajuste Georgina Flesia FaMAF 28 de mayo, 2013 Pruebas de bondad de ajuste Dado un conjunto de observaciones, de qué distribución provienen o cuál es la distribución
Más detallesMenor, cofactor y comatriz
Menor, cofactor y comatriz Sea A una matriz cuadrada de orden n. Al quitarle la línea i y la columna j se obtiene una submatriz de orden n-1, que se denota habitualmente A i,j. Por ejemplo, con n = 4,
Más detallesDistribuciones de probabilidad multivariadas
Capítulo 3 Distribuciones de probabilidad multivariadas Sobre un dado espacio muestral podemos definir diferentes variables aleatorias. Por ejemplo, en un experimento binomial, X 1 podría ser la variable
Más detallesTEMA 7 INICIACIÓN AL CÁLCULO DE DERIVADAS. APLICACIONES 7.1 CRECIMIENTO DE UNA FUNCIÓN EN UN INTERVALO
TEMA 7 DERIVADAS Y APLICACIONES MATEMÁTICAS CCSSI º Bac TEMA 7 INICIACIÓN AL CÁLCULO DE DERIVADAS. APLICACIONES 7. CRECIMIENTO DE UNA FUNCIÓN EN UN INTERVALO TASA DE VARIACIÓN MEDIA Definición : Se llama
Más detallesALGEBRA y ALGEBRA LINEAL. Primer Semestre CAPITULO 6. POLINOMIOS DE UNA VARIABLE.
ALGEBRA y ALGEBRA LINEAL 520142 Primer Semestre CAPITULO 6. POLINOMIOS DE UNA VARIABLE. DEPARTAMENTO DE INGENIERIA MATEMATICA Facultad de Ciencias Físicas y Matemáticas 1 Definición: Polinomio Sea K (Q,
Más detallesEste procedimiento prueba hipótesis acerca de cualquiera de los siguientes parámetros:
STATGRAPHICS Re. 4/d/yyyy Pruebas de Hipótesis (Una Muestra) Este procedimiento prueba hipótesis acerca de cualquiera de los siguientes parámetros: 1. la media μ de una distribución normal.. la desiación
Más detallesContraste de hipótesis Tema Pasos del contraste de hipótesis. 1.1 Hipótesis estadísticas: nula y alternativa. 1.3 Estadístico de contraste
1 Contraste de hipótesis Tema 3 1. Pasos del contraste de hipótesis 1.1 Hipótesis estadísticas: nula y alternativa 1.2 Supuestos 1.3 Estadístico de contraste 1.4 Regla de decisión: zona de aceptación y
Más detallesFacultad de Ciencias Sociales - Universidad de la República
Facultad de Ciencias Sociales - Universidad de la República Estadística y sus aplicaciones en Ciencias Sociales Edición 2016 Ciclo Avanzado 3er. Semestre (Licenciatura en Ciencia Política/ Licenciatura
Más detallesESTADÍSTICA INFERENCIAL
ESTADÍSTICA INFERENCIAL ESTADÍSTICA INFERENCIAL 1 Sesión No. 4 Nombre: Distribuciones de probabilidad para variables Contextualización En la sesión anterior se definió el concepto de variable aleatoria
Más detallesDERIVACIÓN DE LAS FUNCIONES ELEMENTALES
DERIVACIÓN DE LAS FUNCIONES ELEMENTALES 2 El procedimiento mediante el cuál se obtiene la derivada de una función se conoce como derivación. Llamaremos funciones elementales a las funciones polinómicas,
Más detallesTeléfono:
Apartado postal 17-01-218 1. DATOS INFORMATIVOS: MATERIA O MÓDULO: ESTADISTICA II CÓDIGO: 15017 CARRERA: Economía NIVEL: Cuarto No. CRÉDITOS: SEMESTRE / AÑO ACADÉMICO: III semestre 2011-2012 PROFESOR:
Más detallesCONTENIDO. Prólogo a la 3. a edición en español ampliada... Prólogo...
CONTENIDO Prólogo a la 3. a edición en español ampliada.................................. Prólogo.................................................................. vii xvii 1. Métodos descriptivos................................................
Más detallesA. PRUEBAS DE BONDAD DE AJUSTE: B.TABLAS DE CONTINGENCIA. Chi cuadrado Metodo G de Fisher Kolmogorov-Smirnov Lilliefords
A. PRUEBAS DE BONDAD DE AJUSTE: Chi cuadrado Metodo G de Fisher Kolmogorov-Smirnov Lilliefords B.TABLAS DE CONTINGENCIA Marta Alperin Prosora Adjunta de Estadística alperin@fcnym.unlp.edu.ar http://www.fcnym.unlp.edu.ar/catedras/estadistica
Más detallesCarrera: Ingeniería Civil Participantes Comité de Evaluación Curricular de Institutos Tecnológicos
1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Probabilidad y Estadística Ingeniería Civil Clave de la asignatura: Horas teoría-horas práctica-créditos 3-2-8 2.- HISTORIA DEL PROGRAMA Lugar
Más detalles03 Variables aleatorias y distribuciones de probabilidad. Contenido. Variable aleatoria
03 Variables aleatorias y distribuciones de probabilidad Contenido Diego Andrés Alvarez Marín Profesor Asistente Universidad Nacional de Colombia Sede Manizales 1 Variable aleatoria Sea Ω un espacio muestral.
Más detallesESCUELA COMERCIAL CÁMARA DE COMERCIO EXTENSIÓN DE ESTUDIOS PROFESIONALES MAESTRÍA EN ADMINISTRACIÓN
CICLO, ÁREA O MÓDULO: TERCER CUATRIMESTRE OBJETIVO GENERAL DE LA ASIGNATURA: Al termino del curso el alumno efectuara el análisis ordenado y sistemático de la Información, a través del uso de las técnicas
Más detallesDERIVADAS. Para hallar la pendiente de una curva en algún punto hacemos uso de la recta tangente de una curva en un punto.
DERIVADAS Tema: La derivada como pendiente de una curva Para hallar la pendiente de una curva en algún punto hacemos uso de la recta tangente de una curva en un punto. La pendiente de la curva en el punto
Más detallesUNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ESTUDIOS SUPERIORES CUAUTITLÁN PLAN DE ESTUDIOS DE LA LICENCIATURA EN QUÍMICA INDUSTRIAL
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ESTUDIOS SUPERIORES CUAUTITLÁN PLAN DE ESTUDIOS DE LA LICENCIATURA EN QUÍMICA INDUSTRIAL PROGRAMA DE LA ASIGNATURA DE: IDENTIFICACIÓN DE LA ASIGNATURA
Más detallesLímites y continuidad de funciones reales de variable real
Límites y continuidad de funciones reales de variable real Álvarez S., Caballero M.V. y Sánchez M. a M. salvarez@um.es, m.victori@um.es, marvega@um.es Índice 1. Definiciones 3 2. Herramientas 10 2.1. Funciones
Más detallesIES Fco Ayala de Granada Sobrantes del 2010 (Modelo 6) Soluciones Germán-Jesús Rubio Luna. Opción A
Opción A Ejercicio 1 opción A, modelo 6 del 010 [ 5 puntos] Dada la función f : R R definida como f(x)= a.sen(x)+ bx + cx + d, determina los valores de las constantes a, b, c y d sabiendo que la gráfica
Más detallesIES Fco Ayala de Granada Junio de 2012 (Común Modelo 4) Soluciones Germán-Jesús Rubio Luna
IES Fco Ayala de Granada Junio de 01 (Común Modelo 4) Soluciones Germán-Jesús Rubio Luna Opción A Ejercicio 1 opción A, modelo Junio 01 común Sea f : R R la función definida como f(x) = e x.(x ). [1 punto]
Más detallesAlgunas distribuciones importantes de probabilidad
Capítulo 5 Algunas distribuciones importantes de probabilidad En los temas anteriores se presentaban ejemplos de distintos experimentos aleatorios y de variables aleatorias que expresan sus resultados.
Más detallesTablas de contenidos Matemática PDN segundo semestre 2016
Tablas de contenidos Matemática PDN segundo semestre 2016 Kinder 1 Relaciones lógico-matemática Cuantificación Seriación Patrón Clasificación Comparación Orientación Espacial Cuantificación Cardinalidad
Más detallesPATRONES DE DISTRIBUCIÓN ESPACIAL
PATRONES DE DISTRIBUCIÓN ESPACIAL Tipos de arreglos espaciales Al azar Regular o Uniforme Agrupada Hipótesis Ecológicas Disposición al Azar Todos los puntos en el espacio tienen la misma posibilidad de
Más detallesEstadística para la toma de decisiones
Estadística para la toma de decisiones ESTADÍSTICA PARA LA TOMA DE DECISIONES. 1 Sesión No. 7 Nombre: Distribuciones de probabilidad para variables continúas. Objetivo Al término de la sesión el estudiante
Más detallesMETODOS DE INTEGRACION IV FRACCIONES PARCIALES
METODOS DE INTEGRACION IV FRACCIONES PARCIALES Una función racional es una función de la forma En la que f(x) y g(x) son polinomios. Si el frado de f(x) es menor que el de g(x), F(x) se denomina fracción
Más detallesMATEMÁTICAS. PRIMERO DE E.S.O.
MATEMÁTICAS. PRIMERO DE E.S.O. Unidad 1: Números naturales. Potencias y raíces. Números naturales. Representación geométrica. Operaciones. Sistema de numeración decimal. Operaciones combinadas. Jerarquía.
Más detallesUNIVERSIDAD DEL NORTE
UNIVERSIDAD DEL NORTE 1. IDENTIFICACIÓN DIVISIÓN ACADÉMICA DIVISIÓN DE CIENCIAS BÁSICAS DEPARTAMENTO MATEMÁTICAS Y ESATADÍSTICA. PROGRAMA ACADÉMICO ESTADÍSTICA I-AD CÓDIGO DE LA ASIGNATURA EST 1022 PRE-REQUISITO
Más detallesTema 3 Variables aleatorias yprincipales distribuciones
Tema 3 Variables aleatorias yprincipales distribuciones 1. Variables aleatorias. Distribuciones de probabilidad de v. a. discretas 3. Distribución de probabilidad de v. a. continuas 4. ropiedades de las
Más detallesEspacios Vectoriales, Valores y Vectores Propios
, Valores y Vectores Propios José Juan Rincón Pasaye, División de Estudios de Postgrado FIE-UMSNH Curso Propedéutico de Matemáticas para la Maestría en Ciencias opciones: Sistemas de Control y Sistemas
Más detalles